Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18745
Πλήρες αρχείο μεταδεδομένων
Πεδίο DC ΤιμήΓλώσσα
dc.contributor.authorΠροεστάκη, Χριστίνα-
dc.date.accessioned2023-07-18T10:35:15Z-
dc.date.available2023-07-18T10:35:15Z-
dc.date.issued2023-07-17-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18745-
dc.description.abstractΗ άνοια είναι μία νευροεκφυλιστική ασθένεια που επηρεάζει σημαντικά τις ανθρώπινες γν- ωστικές λειτουργίες. Τα κυριότερα συμπτώματά της περιλαμβάνουν την εξασθένηση της μνήμης, της σκέψης και των συλλογιστικών ικανοτήτων, προβλήματα που υποβαθμίζουν έντονα την καθημερινή ζωή των ασθενών. Η ΄Ηπιας Μορφής Νοητική Εξασθένηση (MCI) αποτελεί ένα ενδιάμεσο στάδιο μεταξύ της φυσιολογικής γνωστικής γήρανσης και της άνοιας. Συγκεκριμένα, οι ασθενείς με MCI αν και παρουσιάζουν αισθητή γνωστική επιδείνωση, πέραν της τυπικής γήρανσης, δεν πληρούν τα διαγνωστικά κριτήρια για άνοια. Ωστόσο, υπολογίζε- ται ότι 10-40% των ασθενών με MCI αναπτύσσουν άνοια, καθιστώντας το MCI κρίσιμο παράγοντα κινδύνου για την ανάπτυξη της. Η παρούσα έρευνα αποσκοπεί στη μελέτη της εξέλιξης του MCI με χρήση τεχνικών μηχανικής μάθησης (ML) για τη διάκριση μεταξύ των ασθενών με MCI που παρουσιάζουν εξέλιξη σε άνοια (MCIp) και εκείνων που παραμένουν σταθεροί (MCIs). Στην προτεινόμενη μέθοδο χρησιμοποιούνται ογκομετρικές μετρήσεις που αντλήθηκαν από διαχρονικά δεδομένα T1-σταθμισμένων εικόνων μαγνητικής τομογραφίας του εγκεφάλου από ασθενείς με MCI, ασθενείς με άνοια και υγιή άτομα. Για τη διάκριση μεταξύ των ασθενών με MCI που παρουσιάζουν εξέλιξη και εκείνων που παραμένουν στα- θεροί, το σύνολο δεδομένων μετατράπηκε σε σύνολο δεδομένων MCIp-MCIs. Στη συνέχεια αναπτύχθηκαν οι αλγόριθμοι ταξινόμησης Partial Least Squares Discriminant Analysis (PLSDA) και Μηχανές Διανυσμάτων Υποστήριξης (SVM). Επιπλέον, για να ενισχυθεί η αξιοπιστία των μοντέλων, χρησιμοποιήθηκαν οι μέθοδοι ερμηνευσιμότητας Τιμές Shapley και Αντιφατικά Παραδείγματα Permute Attack. Το προτεινόμενο μοντέλο με τα αποδοτικότερα αποτελέσματα ήταν το μοντέλο PLSDA με ακρίβεια 79.8% και AUC-ROC 71.4%, ενώ τα αποτελέσματα ερμηνευσιμότητας έδειξαν ότι οι πλάγιες κοιλίες, ο ιππόκαμπος, η αμυγδαλή, η ατρακτοειδής και η κροταφική έλικα είναι οι περιοχές με τη μεγαλύτερη επιρροή όσον αφορά την εξέλιξη του MCI σε άνοια.en_US
dc.languageelen_US
dc.subjectνευροεκφυλιστικές ασθένειεςen_US
dc.subjectήπιας μορφής νοητική εξασθένησηen_US
dc.subjectάνοιαen_US
dc.subjectμηχανική μάθησηen_US
dc.subjectερμηνεύσιμη τεχνητή νοημοσύνηen_US
dc.subjectδιαχρονική μελέτηen_US
dc.subjectεξέλιξη νόσουen_US
dc.titleΕρμηνεύσιμη Μηχανική Μάθηση για τη μελέτη της εξέλιξης της Ήπιας Μορφής Νοητικής Εξασθένησης σε Άνοιαen_US
dc.description.pages88en_US
dc.contributor.supervisorΝικήτα Κωνσταντίναen_US
dc.departmentΤομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικώνen_US
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
thesisProestaki.pdf3.39 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.